Вестник цифровой трансформации

Дом.ру: работа с клиентами без «ковровых рассылок»
Дом.ру: работа с клиентами без «ковровых рассылок»

Максим Чернышов: «У нас получилось разработать единый инструмент для управления коммуникациями с клиентами, используя исключительно открытые технологии, без привлечения коммерческих решений. CVM NBA в полной мере соответствует принципам data-driven, автоматизируя процесс принятия решений на основе данных»


16:06 01.03.2024 (обновлено: 11:25 05.03.2024)  |  Николай Смирнов | 1749 просмотров



Максим Чернышов, технический директор CVM «ЭР-Телеком Холдинг», – о реализации в Дом.ру собственного инструмента, реализующего концепцию Next Best Action и позволяющего выстроить персонализированную работу с клиентами.

Эффективная работа с клиентами в крупных компаниях становится невозможной без инструментов машинного обучения. В Дом.ру с этой целью построили собственный инструмент, реализующий концепцию Next Best Action. О реализации этого проекта и достигнутых с его помощью результатах рассказывает Максим Чернышов, технический директор CVM «ЭР-Телеком Холдинг» (бренд Дом.ру) и номинант на премию Data Award.

- В чем заключалась суть решаемой задачи?

Основная цель проекта сводилась к тому, чтобы реализовать систему клиентоцентричных коммуникаций. Мы хотели научиться предлагать только релевантные для клиента и экономически выгодные для компании продукты, используя технологии машинного обучения и больших данных.

- Насколько это важно для бизнеса, какой результат ожидали получить?

Задача является стратегической. Когда список продуктовых предложений включает несколько продуктов, процесс взаимодействия с клиентами можно выстроить, оперируя бизнес-правилами. Но когда количество предложений исчисляется сотнями, и важно максимизировать финансовый эффект на всем сроке жизни клиентов, обеспечив при этом качественный клиентский опыт, – без применения автоматизированных решений уже не обойтись.

- Как до сих пор решались задачи маркетинговых взаимодействий с клиентами, каковы были головные боли?

На старте проекта система коммуникаций с клиентами была похожа на «ковровую рассылку» с максимальным охватом. Такой подход генерировал большие затраты, связанные со стоимостью коммуникаций, большую информационную нагрузку на клиентов и низкую конверсию в покупку. При этом в рамках продуктовых команд возникал ряд вопросов, на которые на тот момент не было ответов: каким клиентам предлагать тот или иной продукт, какой канал и время коммуникации выбрать, чтобы получить максимальный отклик в условиях ограниченной пропускной способности.

Интересовали и более сложные проблемы: возможно ли контролировать ROI, маржинальность и экономику предложений, учитывать эффект на сроке жизни клиента, а не в моменте, выбирать механику удержания от оттока.

- Какой подход был выбран?

Оценив основные потребности и проблемы, мы однозначно решили, что хотим оградить наших клиентов от нерелевантных коммуникаций, сократить затраты и научиться оценивать эффект на длительном горизонте.

Более того, мы понимали, что клиентская сложность на тот момент уже выходила за пределы когнитивных возможностей человека. Представим около 200 продуктовых предложений, семь каналов коммуникации, четыре недели в месяце и несколько миллионов клиентов. Это десятки миллиардов возможных комбинаций продуктовых предложений, каналов и времени. И при всем этом необходимо решить, какую комбинацию выбрать, чтобы получить максимальный эффект от рассылки на всем сроке жизни клиентов. Решать такую задачу эффективно без применения технологий машинного обучения и теории оптимизации крайне сложно. Для этих целей в департаменте управления ценностью клиентов (Customer Value Management, CVM) разработали движок, который позволяет дать ответы на подобные вопросы, и назвали его CVM NBA (Next Best Action).

- Что представляет собой созданное решение?

CVM NBA полностью реализован на базе open source решений и представляет собой модульную структуру. Каждый из модулей обеспечивает определенный функционал.

Так, единый клиентский профиль включает более 6 тыс. показателей на клиента. Мы консолидировали большое количество знаний о клиентах, в обязательном порядке учитывая согласие клиентов на сбор, обработку и использование данных. Используя основные данные, обогатили профиль производными показателями и агрегатами. Основная цель – дать возможность моделям машинного обучения выбирать из как можно большего объема признаков и помочь им с поиском неочевидных зависимостей.

Фабрика моделей машинного обучения – несколько десятков ML-моделей, предсказывающих различные показатели по клиентам. К ним относится вероятность отклика клиента на различные продуктовые предложения в разных каналах, ценовая эластичность, рекомендуемое время коммуникации (час), срок жизни клиента, вероятность оттока и релевантная механика удержания и т.д. Здесь мы используем как алгоритмы машинного обучения, лучше всего подходящие для решения конкретных задач, так и современные открытые AutoML-решения, включающие стекинг базовых алгоритмов.

Финансовый калькулятор позволяет посчитать всю экономику продуктового предложения и канала, оценить все затраты и прибыль на прогнозном сроке жизни клиента и использовать это в оптимизации. Модуль математической оптимизации, получая на вход предсказания моделей машинного обучения и финансовую составляющую, позволяет решать оптимизационную задачу с учетом ограничений на каналы и бюджеты. Это дает возможность выбирать из многомиллиардного набора комбинаций такую, которая принесет максимальный эффект на всей клиентской базе и на всем сроке жизни.

Мониторинг данных – инструмент, который позволяет своевременно обнаружить статистические сдвиги в показателях профиля клиента и обезопасить процесс обучения и скоринга моделей машинного обучения. Подбор персонального посыла коммуникации – этот модуль позволяет определить релевантный контекст и посыл коммуникации для клиента в зависимости от потребности, используя подход обучения без учителя.

Наконец, система отчетности – модуль для анализа сценариев оптимизации и оценки эффективности запущенных кампаний, представлен в формате BI дашбордов с ежедневным обновлением.

- Какие инструменты использовались?

Выделю несколько ключевых используемых технологий. За хранение и обработку данных отвечают Hadoop, ClickHouse, Spark и AirFlow. Машинное обучение и оптимизация построены на Python-пакетах, инструментах AutoML и Luigi. Визуализация и отчетность реализована на Mеtabase.

- Что в построенном инструменте удалось особенно удачно, чем можно гордиться?

На мой взгляд, одним из интересных решений является сам подход к математической оптимизации на базе целочисленного программирования. Во-первых, мы распараллелили оптимизацию на несколько процессов, что позволило значительно ускорить нахождение оптимального сценария. Во-вторых, пришлось поработать и с самими бизнес-ограничениями, которые идут на вход оптимизации. К сожалению, не все ограничения, которые хотят включить менеджеры, можно легко сформулировать в виде математической задачи. Как пример – учет перерывов в контактной политике внутри оптимизации. Но по итогу нам все же удалось учесть все пожелания, никого не оставили без внимания.

- Приведите пару примеров того, как изменилась работа специалистов благодаря новым инструментам.

Процесс работы департамента управления ценностью клиентов сильно изменился. Мы высвободили и перераспределили ресурс аналитиков данных и менеджеров, которые ранее тратили колоссальное количество времени на генерацию бизнес-сегментов. Сейчас эту задачу решает CVM NBA. Также изменился формат работы специалистов по тарифам. Нет необходимости ежемесячно рассчитывать экономику предложения, усредняя по сегментам. Финансовый калькулятор в движке справляется с этим гораздо точнее, причем на уровне каждого клиента.

Поменялся и сам процесс принятия решений по управлению коммуникациями. CVM NBA, получая на вход различные бизнес-ограничения, генерирует несколько вариантов оптимизации с прогнозными финансовыми показателями на разных горизонтах. Это дает возможность владельцам продуктов выбирать подходящий сценарий и принимать решения более взвешенно.

- Какие успехи достигнуты?

У нас получилось разработать единый инструмент для управления коммуникациями с клиентами, используя исключительно открытые технологии, без привлечения коммерческих решений. CVM NBA в полной мере реализовывает концепцию data-driven, автоматизируя процесс принятия решений на основе данных.

Каждая модель машинного обучения в рамках A/B-тестирования проходила сравнение с бизнес-сегментами и случайными рассылками. Доказано, что нам удалось увеличить конверсию в покупку в 2-3 раза, в зависимости от продукта. Кроме того, кратно выросла доля продаж в более дешевых и бесплатных каналах с помощью перераспределения из более дорогих.

- …А если в финансовом выражении?

Экономический эффект CVM NBA в комплексе составил 31% всего дохода от продаж CVM за год. Это чистый инкрементальный эффект в сравнении с работой без движка, используя только бизнес-сегментацию.

- В чем роль проекта для бизнеса компании?

Основная роль, конечно, заключается в повышении лояльности клиентов путем минимизации количества нерелевантных коммуникаций и более точных попаданий в потребность. Кроме того, важно сокращать затраты на коммуникации, а также обеспечить рост финансовых показателей на длительном горизонте.

- В каком направлении будет развиваться решение?

На текущий момент наши усилия направлены на масштабирование CVM NBA на все продукты и каналы компании, а также реализацию инструмента как решения категории Self Service. Наша цель – дать возможность любому менеджеру из продуктовой команды самостоятельно добавлять новые вариации продуктов и каналов, получать прогнозную аналитику и запускать эффективные кампании с клиентами в автоматическом режиме. Дополнительно прорабатываем возможность использования движка в «реверс-режиме» как инструмента для генерации новых модификаций продуктовых предложений для наших клиентов.

Теги: Машинное обучение Data Award

На ту же тему: